Yulianas, Azis (2023) Klasifikasi motif batik berdasarkan ekstraksi texture dengan menggunakan Multi Texton Histogram (MTH). Undergraduate thesis, Universitas Islam Negeri Maulana Malik Ibrahim.
|
Text (Fulltext)
19610075.pdf - Accepted Version Available under License Creative Commons Attribution Non-commercial No Derivatives. Download (7MB) | Preview |
Abstract
INDONESIA:
Indonesia adalah negara yang memiliki banyak budaya. Salah satu kekayaan budaya yang dimiliki indonesia adalah batik. Batik memiliki nilai, teknik pencantingan, simbol dan ciri khas yang dibuat menggunakan kerajinan tangan yang dilukiskan pada sebuah kain. Dengan banyaknya kain di Indonesia dibutuhkan bantuan untuk melakukan deteksi batik. Dengan menggunakan Multi Texton Histogram yang merupakan sebuah metode yang diggunakan untuk melakukan ekstraksi fitur. Ekstraksi fitur menggunakan metode Multi Texton Histogram melewati tahap kuantitasi warna dan orientasi tepi. Setelah itu dilakukan deteksi texton pada hasil kuantisasi warna dan diakhiri dengan melakukan representasi fitur dengan menyandingkan antara hasil dari deteksi texton dan hasil dari orientasi fitur. Ekstraksi fitur pada citra bertujuan untuk memperkecil fitur yang akan digunakan untuk prediksi. Pada penelitian ini dinggunakan Machine learning untuk membantu dalam melakukan prediksi. Machine learning yang digunakan adalah k-NN. k-NN memanfaatkan kedekatan antar data untuk melakukan prediksi. Pada penlitian ini metode Deccision Tree digunakan sebagai pembanding k-NN. Selanjutnya didapatkan hasil dari penelitian yang didapatkan dalam melakukan ekstraksi fitur menggunakan metode MTH dengan menggunakan sebanyak 3838 citra batik menghabiskan waktu selama 738 detik dengan rata-rata 5 citra per detik. Sedangkan hasil dari perhitungan akurasi menggunakan k-NN mendapatkan akurasi sebesar 86,34% dengan lama waktu operasi yang dibutuhkan selama 0,755 detik dibandingkan dengan menggunakan metode Decision Tree didapatkan akurasi sebesar 84.15% dengan lama waktu operasi yang dibutuhkan selama 0,122 detik. Sehingga disimpulkan akurasi k-NN lebih besar dari Decision Tree tetapi waktu operasi yang dibutuhkan k-NN lebih besar dari Decision Tree. Ekstraksi fitur Multi Texton Histogram dan metode machine learning yang digunakan diharapkan dapat membantu masyarakat Indonesia dalam melakukan pengenalan pada motif batik.
ENGLISH:
Indonesia is a country that has many cultures. One of Indonesia’s cultural treasures is batik. Batik has values, stitching techniques, symbols and characteristics that are made using handicrafts painted on a cloth. With so many fabrics in Indonesia, help is needed to detect batik. By using Multi Texton Histogram which is a method used to extract features. Feature extraction using the Multi Texton Histogram method goes through the stages of colour quantitation and edge orientation. After that, texton detection is carried out on the results of colour quantization and ends by performing feature representation by juxtaposing the results of texton detection and the results of feature orientation. Feature extraction in the image aims to minimise the features that will be used for prediction. Machine learning is used to assist in prediction. The machine learning used is k-NN. k-NN utilises the proximity between data. While Deccision Tree is used only as a comparison. Furthermore, the results obtained from the research obtained in extracting features using the MTH method using 3838 batik images took 738 seconds with an average of 5 images per second. While the results of the accuracy calculation using k-NN get an accuracy of 86.34% with the required operating time of 0.755 seconds compared to using the Decision Tree method, the accuracy is 84.15% with the required operating time of 0.122 seconds. So it is concluded that the accuracy of k-NN is greater than Decision Tree but the operating time required by k-NN is greater than Decision Tree. The Multi Texton Histogram feature extraction and machine learning methods used are expected to help the Indonesian people in recognising batik pattrens.
ARABIC:
في اندونسيا تقا فة ضتو عة ومن.أحد التراث الثقافي إندونيتا هو الباتيك. البتك القمه, واسلوب الحا مه القيو و التقنيات الخياطة اولوموز والخصاىص المصنوعة باستخدام الحر فاليدوية المرسومة على قطعة القماش. مع وجود العديد من الاقمشة في اندونيسيا,من الضروري المساعدة في اكتثاف الباتيك ويستخدام يمتعدد النص الرسم البياني,وهي طريقة تستخدم لاستخراج الميزات يمر استخراي المعالم با ستخدام طريقة الرسم البيابي معدد النصوص عبر مراحل تكميم اللون واتجافة. بعد دلك, يتم إجراء اكتشاف تكستونعلى نتائج تكميم الألوان وينتهي من خلا تمشل الميز من خلال مطابقة نتائج اكتشاف تكستو نو نتائج اتجاه الميزة. يهدف استخراج الميزةفى الصورة إلى تقليل الميزات التى سيتم استخدامها للتنبو.في هذا البحث, يتم استحدام التعلم الالي هفارنةللمساعدة في عمل التنبوات. التعلم الالي المستخدم هو ك-ن. يستخدم ك-ن القرب بين البتانت العما التنبوات. في هذا المشالمعقارتة المقارنة ك-ن. كما استغر النتائج التي تم الحصول عليها من البحث الدي Decision Tree,تم استخدام طريقة صور في الثا نية 5 ثانية بمعدل738 صورة بتيك3838 تم الحصو عليه في استخراج الميزبا ستخدام طر يقة ميشا ستخدم ثانية مقارنة 0.755 مع مدة وقت التشغيل المطلو ل 86.34% بينماتحصل نتائج حساب الدقة باستخدام ك-ن على دقةهي دقة ك-ن أكبر من شجرة القرار ولكن وقت التثغيل الذي تتطلبه ك-ن أكبر من شجرة الةرار. من المتوقع أن يساعد استخراج . ميزة الرسم البياني متعدد الصوص وطرق التعلم التعلم الالى المستخدمة الشعب الإندونيسي في التعرف على زخارف الباتبك.
Item Type: | Thesis (Undergraduate) |
---|---|
Supervisor: | Fahmi, Hisyam and Herawati, Erna |
Keywords: | Batik ; Citra Digital; Deteksi Tepi; k-NN; Histogram; Image Processing; Machine Learning; Multi Texton Histogram. Batik; Digital Image; Edge Dectetion; Histogram; Image Processing; k-NN; Machine Learning; Multi Texton Histogram. الباتيك ؛ الصورة الرقمية ؛ انحراف الحافة ؛ الرسم البياني ؛ معالجة الصور ؛ ك-ن ؛ التعلم الآلي ؛ الرسم البياني متعدد النصوص. |
Departement: | Fakultas Sains dan Teknologi > Jurusan Matematika |
Depositing User: | Azis Yulianas |
Date Deposited: | 18 Jul 2023 11:12 |
Last Modified: | 21 Jul 2023 15:09 |
URI: | http://etheses.uin-malang.ac.id/id/eprint/52194 |
Downloads
Downloads per month over past year
Actions (login required)
View Item |